通过向非必要神经元注入噪声增强 DNN 的对抗鲁棒性与效率
机器学习
2024-02-08 v1 人工智能
密码学与安全
摘要
深度神经网络（DNN）凭借在数据分析和决策方面无与伦比的能力，彻底改变了从医疗保健和金融到汽车等众多行业。尽管其具有变革性影响，DNN 面临两个关键挑战：易受对抗攻击的脆弱性，以及与更复杂、更大模型相关的不断增长的计算成本。在本文中，我们引入了一种有效方法，旨在同时增强对抗鲁棒性和执行效率。与先前通过均匀注入噪声来增强鲁棒性的研究不同，我们引入了一种非均匀噪声注入算法，在每个 DNN 层策略性地应用，以破坏攻击中引入的对抗扰动。通过采用近似技术，我们的方法识别并保护了必要神经元，同时策略性地向非必要神经元引入噪声。我们的实验结果表明，我们的方法在多种攻击场景、模型架构和数据集中成功增强了鲁棒性和效率。
引用
@article{arxiv.2402.04325,
title = {Enhance DNN Adversarial Robustness and Efficiency via Injecting Noise to Non-Essential Neurons},
author = {Zhenyu Liu and Garrett Gagnon and Swagath Venkataramani and Liu Liu},
journal= {arXiv preprint arXiv:2402.04325},
year = {2024}
}